恐怖袭击一直是威胁人类生存和社会稳定的重大安全隐患。当前,国际矛盾的激化导致恐怖袭击事件在数量和规模上正在逐渐升级,各类型的恐怖袭击事件层出不穷。而现有的关于网络结构的恐怖袭击事件分类和预警方面的研究由于缺乏深度学习模型的支持,导致分析效果欠佳。在大数据技术与深度学习方法飞速发展的时代背景下,面对日益严峻的恐怖袭击形势,亟需使用更加智能的方法,开展对于恐怖袭击事件的分析研究。对于恐怖袭击事件的分析与研究,本文提出了一种基于概率图采样聚合网络的恐怖袭击事件分析方法。该方法主要包含两部分,第一部分为概率图采样聚合网络模型的构建,第二部分为基于该模型的恐怖袭击事件分析过程。通过两者结合开展对于恐怖袭击事件的分类与预警研究。在概率图采样聚合网络模型中,该模型能够通过给定的方法计算网络中不同节点的邻居值,根据邻居值的大小生成节点邻居值列表。并基于生成的节点邻居值列表,综合考虑节点的重要性与多样性,根据密度分布实现采样,生成节点的邻域集合。在确定节点的邻域后,模型通过聚合函数将邻域节点的特征信息进行非线性的转化与加权聚合。经过多层的特征信息抽取与聚合后,最终形成节点在网络中的嵌入表示。在基于概率图采样聚合网络模型的恐怖袭击事件分析过程中,主要实现了对于恐怖袭击事件的分类与预警。在恐怖袭击事件的分类分析过程中,根据模型生成的节点嵌入表示,通过训练一个复杂分类器来完成对于恐怖袭击事件的分类任务。在恐怖袭击事件的预警分析过程中,将每个事件抽象为网络中的一个节点,并分别计算事件的相似度、相关性以及事件节点之间的连接概率。最后使用神经网络构造一个非线性分类函数实现基于以上三个指标的综合分析,解决链路预测问题,进而完成对恐怖袭击事件的预警分析。本文提出的概率图采样聚合网络模型与原模型以及其他网络表征学习模型相比,具有更好的表征效果。本文提出的基于概率图采样聚合网络的恐怖袭击事件分析过程,能够在高度耦合网络表征学习模型的基础上,更好地完成网络结构的恐怖袭击事件的分析任务。实验结果表明,本文所提方法能够充分利用网络结构的恐怖袭击事件的特征信息,调整特征聚合的邻域范围,并结合多项指标进行综合分析研判。因此能够实现对于恐怖袭击事件的高效分析,持续有效地为反恐情报系统提供支持。